基于可穿戴设备测量的衰弱机器学习模型

为什么老年人的日常活动很重要

随着越来越多人活到70岁、80岁及更高寿命，医生正在寻找更好的方法来识别谁有变得虚弱、丧失独立性或需要急救护理的风险。医学上称这种易受损性为衰弱，但现有的衰弱评估往往耗时、带有主观性且难以定期重复。此项研究探讨是否能用腕戴活动追踪器的简单运动数据代替这些测试，甚至提升医生预测住院和死亡等严重结局的能力。

从记录表到腕带

传统的衰弱评分会询问疲劳和体重下降、测量步速与握力，并统计多种健康问题。这些工具有用但耗时，有些还依赖被评估者的记忆或繁忙临床人员的判断。研究人员想知道，是否有一种更客观的日常生活窗口——人们实际活动、久坐和睡眠的情况——能够更高效地捕捉相同信息。他们使用类似智能手表的加速度计设备，在老年人身上记录了一周内的每一步、暂停与活动高峰。

一周的活动变成风险评分

研究团队利用了西班牙托莱多健康老龄研究（Toledo Study for Healthy Aging），该研究随访数百名65岁以上的成年人。在访谈、体检、血检和体成分扫描后，437名参与者被要求佩戴活动设备七天。专门的软件将原始运动信号转换为数值特征，例如总步数、强烈活动的持续段和长时间久坐期，以及与睡眠-觉醒相关的模式。这些特征随后被输入到机器学习模型——一种从数据中学习模式的计算程序——以检验能否重建若干已建立的衰弱量表和相关的健康风险因子。

教计算机识别衰弱

研究者采用了一种名为梯度提升决策树的方法，它将许多简单的决策规则组合成强有力的预测器。他们反复将数据集对半分，在一半上训练模型并在另一半上测试，以确保结果可在未见过的人群中保持可靠。该模型仅基于活动模式就能较准确地估计一种详细的衰弱评分，即衰弱特质量表（Frailty Trait Scale）。对其他衰弱衡量标准以及与衰老相关的单独风险因子（如血液检测结果和握力）也取得了类似的成功。值得注意的是，经过精心挑选的两天（约48小时）数据，其信息量几乎可与整周相当，这表明短期、针对性的监测可能已足够。

展望住院和生存情况

除了与现有衰弱评分相匹配外，基于活动的模型还被用于预测对患者和家庭至关重要的结局：入院和随时间的死亡风险。在这些方面，运动得出的预测常常优于传统衰弱量表本身。换言之，一个人在日常生活中实际如何移动和休息，比单次门诊快照测试更能清晰地发出潜在危险的信号。这一发现暗示可穿戴设备可能帮助医生更早识别高风险患者，并在危机发生前安排随访护理或支持服务。

对健康老龄化的潜在意义

该研究表明，用简单腕戴设备进行短时监测，既能作为复杂衰弱检查的高效、客观替代，又能提高对严重健康事件的预测能力。对老年人而言，这最终可能意味着更少冗长的门诊就诊，更多在家中持续的健康变化洞察。对医疗系统而言，它为在大规模人群中跟踪衰弱并将有限资源指向最需要者打开了大门。作者也提醒，还需在更具多样性的人群中验证，并加入更多生物学测量，以构建最完整的老龄化图景。尽管如此，他们的结果指向这样一个未来：日常活动的静默记录，可能成为保护独立性并延长健康寿命的强大工具。

引用: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

关键词: 衰弱, 可穿戴传感器, 老年人, 机器学习, 健康老龄化